Publikace detail

Default Risk Prediction Based on Support Vector Machine and Logit Support Vector Machine

Autoři: Moula Famida E | Shilpa Nusrat Afrin | Shaha Preity | Hájek Petr | Abedin Mohammad Zoynul

Rok: 2023

Druh publikace: kapitola v odborné knize

Název zdroje: Novel financial applications of machine learning and deep learning : algorithms, product modeling, and applications

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 93-106

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Predikce rizika selhání na základě podpůrných vektorových strojů a logitových podpůrných vektorových strojů	Cílem této kapitoly je předpovědět riziko selhání úvěrového klienta. Navrhujeme algoritmus strojového učení, jako je Support Vector Machine, a hybridní model predikce rizika selhání, jako je logistická regrese a Support Vector Machine, známý jako LogitSVM (LSVM), pro přístup k riziku úvěrového selhání. K ověření pravděpodobnosti a hodnoty navrhovaných hybridních přístupů k hodnocení rizika používáme tři reálné úvěrové databáze. Tato kapitola používá k vyhodnocení výkonnosti algoritmů chyby typu I, chyby typu II a kořenové střední kvadratické chyby (RMSE). Empirická zjištění ukazují, že experimentální hybridní model (LogitSVM) maximalizuje celkovou přesnost a minimalizuje RMSE, chybu typu I a chybu typu II. Tato studie je užitečná pro zainteresované strany při vývoji široké škály přístupů k předpovídání rizika selhání úvěrového zákazníka.	Predikce úvěrového selhání; stroj s podpůrnými vektory; logistická regrese; hybridní metodika
eng	Default Risk Prediction Based on Support Vector Machine and Logit Support Vector Machine	This chapter aims to predict the credit customer default risk. We propose a machine learning algorithm such as Support Vector Machine and a hybrid default risk prediction model such as Logistic Regression and Support Vector Machine being known as LogitSVM (LSVM) to access the credit default risk. We apply three real-world credit databases to validate the probability and value of the proposed risk appraisal hybrid approaches. This chapter uses Type-I Error, Type-II Error, and Root Mean Squared Error (RMSE) to evaluate the performance of the algorithms. Empirical findings show that hybrid model experimentation (LogitSVM) maximizes overall accuracy and minimizes RMSE, Type-I error, and Type-II error. This study is useful for stakeholders to develop a wide variety of approaches to predict risk of default of the credit customer.	Credit default prediction; Support vector machine; Logistic regression; Hybrid methodology

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte